MAF1731 - Microstructure and Trading Systems

B.Eng Financial Engineering

I.F. Miguel Moreno Morrill

I.F. Aranzazú Rendón Gomez

I.F. Paola Gomez Manzano

I.F. Jesus Ivan Lafarga Lizarraga

I.F. Leonardo Xavier Perez Balcorta

Dic 2022 | Repository: Link

---

Lab 5

Proyecto: Analisis Técnico

---

Abstract

Include here a description of the whole work, use no more than 400 words, you can use **Bold** and *Italic* highlights, also you can inclue [links](www.iteso.mx). Usually is a good strategy to generate this text at the very end of the process, since you have to include all aspects of the work, from a brief introduction, to problem definitions and methods used, to finally the results found.

1. Introducción

El obejtivo de este proyecto es la lectura de señales por medio de un analisis tecnico, generar inversiones de trading utilizando herramientas de capitales con el fin de proponer un sistema de trading modelando las señales a traves de la obtención de comunicado y reacción de movimiento a las señales generadas. Basadose en calculos estadístico, Financieros y Computacionales se realiza la mejor toma de decisiones de trading con base en las señales del analisis tecnico en los instrumentos financieros utilizados. El análisis técnico, dentro del análisis bursátil, es el estudio de la acción del mercado, principalmente a través del uso de gráficas, con el propósito de anticipar, con mayor probabilidad cambios en la estructura del mercado. El término “acción del mercado” incluye las tres principales fuentes de información disponibles para el analista técnico. Estas son:

Precio o cotización: La variable más importante de la acción del mercado. Normalmente se representa a través de una gráfica de barras, en la parte superior de la gráfica. Volumen bursátil: La cantidad de unidades o contratos operados durante un cierto período. Se representa como una barra vertical bajo la gráfica de cotizaciones. Interés abierto: Utilizado principalmente en futuros y opciones, representa el número de contratos que permanecen abiertos al cierre del periodo. Se representa como una línea continua por debajo de la acción del precio, pero por encima del volumen. El análisis técnico tuvo sus orígenes en EE. UU. a finales del siglo XIX con Charles Henry Dow creando la Teoría de Dow, adquirió un gran impulso con Ralph Nelson Elliott dentro de los mercados accionarios con su Teoría de las Ondas de Elliott, y posteriormente se extendió al mercado de futuros. Se realizaron los estudios técnicos a traves de bandas de bollinger desarrolladas por John Bollinger (CMT, CFA), las bandas de Bollinger son indicadores populares para el análisis de patrones de precios. El patrón consiste en tres líneas que se superponen con mayor frecuencia (no exclusivamente) al precio de los valores. Las bandas de Bollinger ayudan identificar el rango dentro del cual opera un activo, planteando un marco de referencia para determinar si los precios de un activo están altos o bajos en términos relativos. La línea media del indicador de las bandas de Bollinger es una media móvil (normalmente) del precio (por defecto es una media móvil de 20 períodos). La banda superior de Bollinger se deriva de un cálculo de la desviación estándar del precio añadido al valor medio móvil. Dentro de la lectura de esta herramienta las bandas de Bollinger superior e inferior crean un entorno de tipo de canal para el precio y se espera que envuelvan los movimientos de precio la mayor parte del tiempo. Las bandas de Bollinger superior e inferior proporcionan un rango sugerido para la dispersión de precios y, a su vez, son una medida de la volatilidad de los precios. Para realizar el analisis predictivo en la lectura visual mientras más cerca estén las bandas entre sí (un canal más estrecho), menor será la volatilidad percibida del valor en cuestión en la actualidad, esto representaría un período de consolidación o movimiento no direccional para el mercado que se está evaluando.

Cuanto más ancha sea la separación entre las bandas, mayor será la volatilidad percibida del valor en cuestión actualmente. El hecho de que las bandas estén en proceso de ensanchamiento (lo que se indicaría por las bandas superior e inferior apuntando en sentido contrario) se considera a menudo una indicación de que las primeras etapas de una nueva tendencia de precios direccionales pueden estar comenzando o está en marcha. Esto se toma en cuenta para realizar los movimientos.

Definir el sistema de trading y sus 4 criterios desde un punto de vista financiero. Basados en el Trading Discrecional-Sistemático se utilizan los 4 criterios precisos como son el Criterio para uso de datos (Tipo de Instrumento e instrumento Granularidad de precios,Tipo de precios utilizado,Validaciones), Criterio para la generación de señales, Criterio para toma de pérdidas y ganancias. Criterio para dimensionamiento de posiciones.Se realizó el proyecto con un Capital inicial de $100,000 usd invertidos en criptomoneda convertida a dólar tal es el caso de comprar BTC (Bitcoin) con un limite de riesgo máximo por operación (pérdida máximo) de 1,000 usd. Este plan de trabajo se divide los datos de la siguiente manera utilizando las fechas comprendidas entre:
• Periodo de entrenamiento: 01/ene/2019 - 01/ene/2020 • Periodo de prueba: 01/Feb/2020 - 01/Feb/2021

Se utilizó 2 medidas de analisis técnicos como herramientas para la generación de oportunidades de trading, se define el sistema de trading y sus 4 criterios desde un punto de vista financiero. Se utiliza el apoyo en aspectos computacionales y el apoyo en aspectos estadísticos. La configuración de parámetros que se eligió del periodo de entrenamiento, como los resultados en el periodo de prueba con los parámetros de la configuración elegida del periodo de entrenamiento (con los mismos datos pero en periodos diferentes). Se realizar una propuesta de algoritmo a detalle con uso de datos, para el criterio 2: Generación de señal de compra o de venta.

2. Paquetes y dependencias

---

Para el desarrollo de este Laboratorio, se hizo uso de múltiples librerias, contenidas en el archivo requirements.txt, a continuación se anotará cada una de ellas y una breve descripción de para que sirve y en que se uso en el laboratorio. • jupyter: Libreria que nos permite usar jupyter notebook, se menciona en nuestros requerimientos con el objetivo de poder correr el programa desde terminal, una vez activo el ambiente virtual para continuar con el desarrollo de nuestro modulo. • numpy: Una de las librerías más importantes de Python, es comúnmente usada para definir objetos y operaciones matemáticas. Es usado en este proyecto para esto mismo (ejemplo crear arrays, realizar operaciones matriciales, etc.). • pandas Librería usada para la creación y operacion de data frames. • pandas-datareader: Sub-librería de pandas que sirve para poder leer datos en la web de diferentes fuentes de información, es usada en este laboratorio para bajar información de manera rápida de la API de yahoo-finance. • datetime: Usada para generar time-stamps, con el objetivo de acceder a las propiedades y ventajas de esta misma, de forma rápida. • plotly: Librería que nos permite hacer representaciones gráficas. • MetaTrader5: Librería de FXPRO que sirve como "API" para importar información del programa.

Las bandas de Bollinger superior e inferior crean un entorno de tipo de canal para el precio y se espera que envuelvan los movimientos de precio la mayor parte del tiempo. Las bandas de Bollinger superior e inferior proporcionan un rango sugerido para la dispersión de precios y, a su vez, son una medida de la volatilidad de los precios.

Cuanto más cerca estén las bandas entre sí (un canal más estrecho), menor será la volatilidad percibida del valor en cuestión en la actualidad. Para los chartistas, esto representaría un período de consolidación o movimiento no direccional para el mercado que se está evaluando.

Cuanto más ancha sea la separación entre las bandas, mayor será la volatilidad percibida del valor en cuestión actualmente. El hecho de que las bandas estén en proceso de ensanchamiento (lo que se indicaría por las bandas superior e inferior apuntando en sentido contrario) se considera a menudo una indicación de que las primeras etapas de una nueva tendencia de precios direccionales pueden estar comenzando o está en marcha.

2.2 Python Packages

In order to run this notebook, it is necessary to have installed and/or have the requirements.txt file with the following:

• pandas>=1.1.1
• numpy>=1.19.1
• jupyter>=1.0.0
• Add any other here

2.3 Files Dependencies

The following are the file dependencies that are needed to run this notebook:

• files/precios.csv : Precios históricos
• files/datos.txt : Otros datos históricos

2.3 Install Packages

import functions as fun
import data as dt 
import visualizations as vs

2022-12-02 12:19:14,439 - numexpr.utils - INFO - NumExpr defaulting to 4 threads.
2022-12-02 12:23:05,526 - pyswarms.single.global_best - INFO - Optimize for 1000 iters with {'c1': 1, 'c2': 1, 'w': 0.9}
pyswarms.single.global_best: 100%|██████████|1000/1000, best_cost=1e+7
2022-12-02 12:23:12,677 - pyswarms.single.global_best - INFO - Optimization finished | best cost: 10000000.0, best pos: [7.75788862e-01 6.98861549e+04]

3. Descripción de los datos

---

Datos precios durante el periodo de entrenamiento (2019-2020)

dt.data_E

	Unnamed: 0	time	open	high	low	close	tick_volume	spread	real_volume
0	0	1546387200	3776.40	3875.24	3746.32	3860.78	2241708	0	5130062
1	1	1546473600	3860.78	3891.23	3735.28	3770.96	7253573	0	6835392
2	2	1546560000	3770.96	3826.24	3706.38	3810.35	30337620	0	6835366
3	3	1546819200	4008.20	4046.24	3945.24	3981.47	3247554	0	6871753
4	4	1546905600	3981.47	4087.36	3926.25	3976.13	1649465	0	6835387
...	...	...	...	...	...	...	...	...	...
254	254	1577145600	7294.75	7412.25	7139.25	7180.25	340064	0	3765000
255	255	1577318400	7162.75	7419.25	7150.25	7173.75	278882	0	3240000
256	256	1577404800	7172.75	7240.75	7026.75	7204.50	322672	0	4308954
257	257	1577664000	7373.00	7412.00	7181.50	7231.75	279110	0	4308833
258	258	1577750400	7202.75	7289.00	7097.50	7128.75	190402	0	3765253

259 rows × 9 columns

Datos precios durante el periodo de prueba (2020-2021)

dt.data_P

	Unnamed: 0	time	open	high	low	close	tick_volume	spread	real_volume
0	0	1580688000	9347.25	9592.44	9200.25	9261.25	526838	0	4299151
1	1	1580774400	9276.75	9330.25	9059.45	9117.25	551460	0	4302000
2	2	1580860800	9107.31	9758.49	9104.75	9668.24	960508	0	4305000
3	3	1580947200	9572.74	9846.24	9507.99	9722.24	1584884	0	4306301
4	4	1581033600	9730.49	9865.99	9628.24	9729.74	2359234	0	4305000
...	...	...	...	...	...	...	...	...	...
254	254	1611619200	32616.75	32758.50	30772.45	31941.56	2145188	0	21600000
255	255	1611705600	31941.56	32853.22	29167.31	30928.50	2129974	0	21600000
256	256	1611792000	30928.50	33258.13	29823.02	33174.73	2121008	0	21600000
257	257	1611878400	33174.73	38544.95	31912.50	34615.85	2127008	0	21568500
258	258	1612137600	32541.50	34630.11	32261.87	33590.62	2130718	0	21600000

259 rows × 9 columns

4. Análisis técnico

---

Durante este proyecto se utilizan las siguientes herramientas de análisis técnico para generar señales de compra y de venta.

Bandas de Bollinger

Se utilizo bandas de bollinger Desarrolladas por John Bollinger (CMT, CFA), las bandas de Bollinger son indicadores populares para el análisis de patrones de precios. El patrón consiste en tres líneas que se superponen con mayor frecuencia (no exclusivamente) al precio de los valores. Las bandas de Bollinger ayudan identificar el rango dentro del cual opera un activo, planteando un marco de referencia para determinar si los precios de un activo están altos o bajos en términos relativos. La línea media del indicador de las bandas de Bollinger es una media móvil (normalmente) del precio (por defecto es una media móvil de 20 períodos). La banda superior de Bollinger se deriva de un cálculo de la desviación estándar del precio añadido al valor medio móvil. La banda inferior de Bollinger se deriva de un cálculo de la desviación estándar del precio restado del valor medio móvil.

dt.data_ES

	Unnamed: 0	time	open	high	low	close	tick_volume	spread	real_volume	bb_bbm	bb_bbh	bb_bbl	bb_high_signal	bb_low_signal
20	20	1548806400	3377.49	3435.44	3349.37	3408.75	4048838	0	6840090	3637.959048	4004.133975	3271.784120	0.0	0.0
21	21	1548892800	3408.75	3448.57	3372.38	3393.54	853227	0	6840127	3615.709524	3981.805279	3249.613769	0.0	0.0
22	22	1548979200	3393.54	3432.37	3350.26	3425.32	1652827	0	6835363	3599.250476	3967.022038	3231.478914	0.0	0.0
23	23	1549238400	3371.25	3411.60	3369.05	3393.46	2448519	0	6840262	3579.398571	3944.443706	3214.353436	0.0	0.0
24	24	1549324800	3393.46	3406.23	3375.81	3399.04	3250885	0	6840255	3551.663810	3876.601449	3226.726170	0.0	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
254	254	1577145600	7294.75	7412.25	7139.25	7180.25	340064	0	3765000	7235.271429	7688.730962	6781.811895	0.0	0.0
255	255	1577318400	7162.75	7419.25	7150.25	7173.75	278882	0	3240000	7239.290476	7688.985981	6789.594971	0.0	0.0
256	256	1577404800	7172.75	7240.75	7026.75	7204.50	322672	0	4308954	7224.019048	7655.242185	6792.795910	0.0	0.0
257	257	1577664000	7373.00	7412.00	7181.50	7231.75	279110	0	4308833	7209.305714	7616.728073	6801.883356	0.0	0.0
258	258	1577750400	7202.75	7289.00	7097.50	7128.75	190402	0	3765253	7182.850476	7531.350887	6834.350066	0.0	0.0

239 rows × 14 columns

Oscilador Estocastico

El Oscilador Estocástico (Stochastic Oscillator en inglés) es una variable estadística que está construida a través de la posición de una Cotización con respecto a su máximo y a su mínimo, dentro de un período específico.

Esta variable se mueve dentro del intervalo cerrado es decir, entre cero y 100 por ciento.

A través de su examen gráfico, este instrumento de Análisis técnico bursátil, entrega señales de compra o venta.

Este Estadístico se puede expresar formalmente de la siguiente forma:

$$ S = 100(\frac{VC-Min}{Max-Min}) $$

S: Es el estocástico.

VC: Es el Valor de Cierre de la última sesión.

Máx y Mín: Es el valor máximo y mínimo, respectivamente, de la cotización dentro del período que estamos analizando.

Señales:

Las señales, que indiquen al analista que la Acción estudiada se debe comprar o vender, se perciben principalmente cuando la línea del oscilador estocástico (S) corta a su media móvil.

Entonces, decimos que si S corta en forma ascendente a se nos da señal de compra. Y si S se mantiene por sobre su media móvil, la señal se mantiene. En el gráfico se puede observar esta situación en la circunferencia de color azul.

Inversamente, si S corta a en forma descendente se da señal de venta, y mientras S se mantenga abajo, la tendencia se mantendrá en venta. Este caso observa en el gráfico en la circunferencia de color amarillo.

dt.data_ES2

	Unnamed: 0	time	open	high	low	close	tick_volume	spread	real_volume	stochastic	stochastic_buy_signal	stochastic_sell_signal
13	13	1548028800	3515.45	3544.94	3482.49	3497.50	2451643	0	6840151	4.344442	True	False
14	14	1548115200	3497.50	3587.53	3402.36	3549.88	10772862	0	6835359	21.535766	False	False
15	15	1548201600	3549.88	3589.22	3498.51	3521.29	1651960	0	6840203	17.362044	True	False
16	16	1548288000	3521.29	3572.07	3504.88	3547.24	4052829	0	6840137	21.150365	False	False
17	17	1548374400	3547.24	3554.75	3490.64	3534.75	2454167	0	6835422	19.327007	True	False
...	...	...	...	...	...	...	...	...	...	...	...	...
254	254	1577145600	7294.75	7412.25	7139.25	7180.25	340064	0	3765000	61.539946	False	False
255	255	1577318400	7162.75	7419.25	7150.25	7173.75	278882	0	3240000	61.038209	False	False
256	256	1577404800	7172.75	7240.75	7026.75	7204.50	322672	0	4308954	63.411810	False	False
257	257	1577664000	7373.00	7412.00	7181.50	7231.75	279110	0	4308833	65.515245	False	False
258	258	1577750400	7202.75	7289.00	7097.50	7128.75	190402	0	3765253	57.564647	False	False

246 rows × 12 columns

Usamos un volumen de .5 BTCUSD con 9,000 pips y al final de cada cierre de operacion obtenemos los siguientes retornos.

dt.transacciones

[-1.4703027877055015,
 2.10397821384152,
 0.39400277409900586,
 0.6795801800433627,
 24.74927206585117,
 -0.5697166764050448,
 2.946211955352939,
 4.203954588457898,
 0.6096923118458611,
 3.3736425872424114,
 4.989495870494304,
 8.504071697533842,
 61.80028338556395,
 -4.493974367149136,
 14.320135095638609,
 -1.618684618198521,
 -2.7058068491040688,
 4.3485230284638865,
 19.436288107484362,
 -1.4344323360321325,
 -4.555576687351342,
 7.270972323175853,
 -3.975517978309057,
 5.92351810771344,
 9.714489374905625,
 22.721584445968286,
 11.663534681397902,
 29.797978302313354,
 -4.349247116631223,
 2.4672604278214307,
 0.7710811719376253,
 -4.490008193251067,
 11.478195830988767,
 1.3770229177863043,
 -3.037253106030908,
 -3.6091799307492023,
 2.520134754407885,
 13.948782538308407,
 -1.5562600625154133,
 -29.976883442989326,
 -6.969144440352802,
 2.2083778431552386,
 -0.9125131174323661,
 -0.5527551626248527,
 -4.708483125643773,
 17.791965920245758,
 26.023448285544504,
 -1.6501089813650454,
 -5.648630572842366,
 -6.858569525330316,
 -3.3020275267200487,
 -7.828474697033597,
 -1.3672093617821506]

Y obtenemos el siguiente retorno promedio.

fun.Average(dt.transacciones)

3.9716361910195137

Se muestra el capital resultante de los ultimos días de operacion.

dt.a.tail()

	days	capital
48	226	119726.92
49	227	118786.88
50	228	118346.92
51	229	116288.80
52	231	113428.00

vs.capital(dt.a)

Nuestra rentabilidad en la primera prueba fue de:

dt.retorno_prueba

113428.00000000003

5. Optimización de parámetros

---

Optimización por busqueda exahustiva

Se realizó una busqueda exahustiva para encontrar los mejores parametros de volumen, pips de stop loss y pips de take profit que maximizan el radio de Sharpe, en donde se realizó sobre el arange:
vol=np.arange(.5,8,.5)
pips=np.arange(1000,100000,5000).

dt.busqueda

	Volume	Stop Loss	Take profit	Sharpe
0	0.5	1000	1000	0.059903
1	0.5	1000	6000	0.065393
2	0.5	1000	11000	0.070139
3	0.5	1000	16000	0.073836
4	0.5	1000	21000	0.076620
...	...	...	...	...
5995	7.5	96000	76000	0.106958
5996	7.5	96000	81000	0.106958
5997	7.5	96000	86000	0.106958
5998	7.5	96000	91000	0.106958
5999	7.5	96000	96000	0.110016

6000 rows × 4 columns

Los parametros que maximizan el Sharpe son los siguientes:

dt.best_param

	Volume	Stop Loss	Take profit	Sharpe
5963	7.5	91000	16000	0.195755
5983	7.5	96000	16000	0.195755

Se aplican estos al periodo de prueba y obtenemos los suiguientes retornos:

dt.transacciones_a2

[-14.312269260826207,
 -3.2404077253218895,
 -21.316275945885444,
 3.4994571426392405,
 3.5051194810335478,
 4.177367778600443,
 -2.1205473483900112,
 -0.3990599809340638,
 3.0453416508303723,
 2.7343977438555105,
 -5.826848782959332,
 -0.5620688909550885,
 -1.4876275595277784,
 -7.19582124201974,
 1.3711216865984455,
 3.930621255124566,
 2.2081677112936537,
 21.722512337127394,
 2.957370165615278,
 7.4884669142532045,
 4.437919348834675,
 -2.2165586168620175,
 2.4873769415169678,
 -4.2316901779869545,
 2.5380048263710795,
 18.33097524097527,
 6.821133667471966,
 10.729431351502958,
 9.070825775368307,
 21.989408670125414,
 15.664716638148489,
 25.892723336975912,
 -1.2001037886645016]

Con un promedio de:

fun.Average(dt.transacciones_a2)

3.3482781922402927

Al final de los días de operación en el periódo de prueba (2020-2021) se obtuvo el siguiente capital:

dt.a2.tail()

	days	capital
28	236	262657.750
29	238	283416.925
30	239	299527.150
31	240	327851.950
32	241	320596.900

vs.capital(dt.a2)

PSO

También se realizó una optimización con el PSO que dio el siguiente resultado con los siguientes parámetros.

print("Best position: ", dt.best_pos)

Best position:  [7.800000e-01 6.988615e+04]

6. Conclusiones

---

A lo largo de este laboratorio nos enfrentamos a distintos desafíos, comenzando con una gran incertidumbre de como realizar nuestro analisis. Por fortuna encontramos en las librerías recomendadas por el profesor ta (Techical Analysis) que nos funcionò para aplicar nuestros modelos de analisis têcnico sobre Bandas de Bollinger y RSI.

Fue un arduo trabajo el que realizamos para poder codificar los rendimientos esperados ya que creamos varios intentos basados en un planteamiento que por fortuna logramos corregir, así generando el capital proyectado y el rendimiento esperado. Usamos una muestra de prueba para despues entrenar el modelo con una busqueda exahustiva.

Una vez obtenidos los resultados realizamos una segunda proyecciòn ya con el stop loss, take profit y volumen que obtuvimos en la busqueda exahustiva. Finalmente obtuvimos un capital de 320k lo cual nos dio un buen escenario. Consecuentemente empezamos a programar el PSO pudimos encintrar la mejor posiciòn. Ahora podemos comprender la importancia de las bases en la programación en los sistemas de trading, con los cuales podemos aceptar o rechazar el activo a tradear, la programación de las señales de compra y venta fueron clave para la realización satisfactoria de este proyecto. Incluso con el analisis tecnico el cual no siemore es excato, logramos obtener un resultado positivo, debido en parte al activo empleado y a la optimizacion de los parametros.

7. Referencias

---

Welcome to Technical Analysis Library in Python’s documentation! — Technical Analysis Library in Python 0.1.4 documentation. (n.d.). https://technical-analysis-library-in-python.readthedocs.io/en/latest/

Rodrigo, J. A. (n.d.). Optimización con enjambre de partículas (Particle Swarm Optimization) python. https://www.cienciadedatos.net/documentos/py02_optimizacion_pso